UTILIZAÇÃO DE COMITÊS DE CLASSIFICADORES PARA MELHORIA DA PRECISÃO EM DIAGNÓSTICOS DE FALHAS EM COMPONENTES ELETRÔNICOS
Palavras-chave:
Ensemble Learning, Predição de Falhas, Equipamentos Eletrônicos, Interface Gráfica, Machine LearningResumo
A crescente complexidade dos processos de serviços de reparo de equipamentos eletrônicos impõe desafios à padronização, à redução de custos e à confiabilidade operacional. Este estudo propõe a utilização de algoritmos de aprendizado de máquina organizados em um comitê de classificadores como ferramenta de apoio à tomada de decisão em uma empresa multinacional do setor de eletrônicos. Foram aplicados os modelos k-Nearest Neighbors (KNN), Random Forest e Multi-Layer Perceptron (MLP) sobre um conjunto de dados reais de reparo de placas de notebooks e desktops, combinados por meio de votação majoritária. Os resultados demonstraram que o comitê de classificadores atingiu acurácia de 98,6%, superando os modelos individuais, e apresentou robustez em métricas de precisão, recall e F1- score. O projeto também contemplou o desenvolvimento de uma interface gráfica interativa, construída em Python, que permite a operadores da linha de reparo acessarem o modelo preditivo sem a necessidade de conhecimento avançado em machine learning. A ferramenta facilita a inserção dos dados de entrada, pré-processamento automático e exibe os resultados de forma clara, agilizando a tomada de decisão e promovendo a padronização dos diagnósticos. A aplicação prática da ferramenta ocorre em um contexto B2B, contribuindo para a redução do tempo do processo, diminuição do retrabalho e aumento da confiabilidade na entrega dos serviços, aspectos cruciais para a competitividade da organização. Do ponto de vista gerencial, a aplicação contribui para a padronização do diagnóstico de falhas, otimização do tempo de reparo, redução de retrabalho e aumento da confiabilidade na entrega ao cliente. O estudo reforça o potencial de aplicação da Inteligência Artificial não apenas no setor industrial, mas também em empresas de serviços intensivos em conhecimento, com possibilidades de expansão para manutenção preditiva, suporte técnico e setores correlatos.
